卷积神经网络探索孕中晚期胎儿大脑发育模式研究进展

夏 坤，沈旨艳，幸志洋，向江月，王荣品*

(1.遵义医科大学研究生院，贵州 遵义 563000；2.贵州省人民医院医学影像科 贵州省智能医学影像分析与精准诊断重点实验室 贵州省精准影像诊疗示范型国际科技合作基地，贵州 贵阳 550002)

胎儿MRI可定量评估胎儿脑结构生长发育变化，用于定性诊断先天性神经系统疾病具有独特优势[1]；但图像质量及人为测量误差会对结果带来一定影响。卷积神经网络(convolutional neural network， CNN)是目前医学领域应用最广且成效极佳的分割方法，已广泛用于成人各系统，如以稀疏回归模型与深度学习相结合可成功预测阿尔茨海默病预后[2]，根据乳腺影像报告和数据系统分类图像建立的算法辅助医师测量病灶大小并判断其性质[3]，基于迁移学习和3D CNN自动精确检测肺部不同大小结节[4]，基于胸部X线片建立的CNN模型诊断儿童不同病原体社区获得性肺炎[5]，将CNN用于鉴别浸润性肺腺癌[6]、分割及检测腹、盆腔病灶等[7]；而CNN用于胎儿尚处于起步阶段。本文就基于CNN探索妊娠中晚期胎儿大脑发育模式进展进行综述。

1 CNN概述

1.1 结构 近年来人工智能研究高潮迭起，用于处理复杂、烦琐的医学任务成效卓著。CNN是人工智能深度学习的重要分支，凭借其独特的神经网络结构算法，结合线性整流函数(rectified linear unit, ReLU)，拥有自主学习能力[8]。CNN包括卷积层、池化层、非线性层及全连接层(致密层)共4层结构[9]。卷积层为核心层，是自主学习的基础，通过识别平面图像的边缘及方向而把握线性特征，形成固定的过滤器(filter)，且无须人为设定，经多次反复训练即可产生；卷积层细小但数量较多，可沿图像轴深入识别，同时将识别完成的每一小块影像特征转换为输出值，数值大小代表不同的线性特征及空间位置，直至获得整个图像的矩阵输出值；池化层为空间维度采像，嵌插于卷积层之间，逐渐缩减空间图像尺寸，调整拟合，各层间独立操作，利用最大函数将上一层的最大层面作为下一层面的输入参数，依次细化；非线性层通过ReLU逐层激活；全连接层负责分类图像，将卷积层与池化层图像分类整合[10]。CNN基于以上结构实现精准分割特定结构。

1.2 分类 CNN分类较多，如2012年由Alex创建的包含5个卷积层的Alex-Net，2014年Karen Simonyan创建的分别由16或19层结构构成的VGG16/19 CNN和弗雷堡大学开发的U-Net。U-Net的分割架构系利用收缩路径及扩展路径替代完全连接层，分割准确性高，是目前CNN最常用的算法[11]。此外，新开发的CNN算法还包括GoogLeNet、ResNet及SPP-Net等，在深度和灵活性方面均有一定提升。

1.3 步骤 建立CNN包括预处理、分割、训练、创建算法及验证等步骤，预处理及分割为其中重点。通过预处理可获得去颅骨的标准三维图像，又称空间标准化。图像方向性和空间角度性变化是产生伪影的源头，空间标准化后的图像可有效避开伪影，在此基础上进行人工勾画、训练算法，更有助于建立CNN[12]。

2 CNN探索孕中晚期胎儿大脑发育模式

2.1 数据纳入及准备工作 所纳入MRI质量应足够稳定，常规扫描显示胎儿无明显结构异常，且排除母体存在宫内感染及其他影响胎儿生长发育的疾病。任婧雅等[13]以Matlab及SPM软件对经预处理后的图像进行高分辨率重建，应用ITK-Snap软件分割勾画60胎颅脑MRI，再由具有儿科影像学诊断经验的高年资放射科医师核准勾画结果，对部分细微结构加以校正，由此成功建立的CNN的戴斯相似系数(Dice similarity coefficient， DSC)>0.8 [DSC=真阳性率/(假阳性率+真阴性率)，取值为0～1，越接近1代表CNN分割准确率越高]。

2.2 分割结构 CNN缺乏特定的图像自适性及零样本数据的通透性，在一定程度上阻碍了其临床应用[14]。GU等[15-16]将CNN用于提取和分割ROI连锁操作中，同时引入图像微调加权损失函数，使所创建的CNN适用于特定训练数据集，由此成功分割、提取出18胎胎儿大脑多个结构。EBNER等[17]将加权损失函数与鲁棒高分辨率成像相结合，成功修复胎动伪影较大的MRI并创建了高清3D影像，实现了全自动分割和重建胎儿脑MRI。全自动分割省时、省力，但仍需人工修正细微结构；调整后再次进行深度学习，如此反复多次可提高其精准度。

建立3D高清分辨率图像需保证原始图像逐层绝对无伪影，解剖引导CNN在改善胎动伪影中具有重要作用[18]。有学者[19]运用文献[17]阐述的图像配准原理，基于全U-Net算法，利用原始图像与生成的概率图自动迭代出大脑上、下层面信息，学习大脑局部形状和连通性，进而建立全自动胎儿脑提取工具，极大地促进了脑模板的建立。大脑皮质包含多种功能核团，了解其生长变化有助于理解胎儿在特定时期的发育情况。皮质板随脑沟、脑裂发育而逐步凹陷、卷曲，无明显规律；手动分割大脑皮质并经3D高分辨率重建、深度残差CNN自主分割而获得的胎儿三维皮质结构清晰，或可用于预测不同时期胎儿皮质变化[20]。

2.3 胎儿脑发育 评估胎儿脑发育模式的指标有二维及三维指标，前者包括脑双顶径、额枕径、胼胝体长度及厚度、头围及侧脑室内径等，后者包括颅腔内体积、脑总体积及脑脊液体积等[21]。关注上述指标与孕周的相关性，通过线性回归方程可实现由定性评估胎儿颅脑发育向定量转变[22]；进一步迭代加权可创建对应孕周的胎儿脑MRI模型[23]，对早期评估胎儿生长发育障碍具有重要指导作用。CIGNINI等[24]基于16 975胎19～37周胎儿声像图建立胼胝体长度与孕周的回归方程，MRI测量结果与该方程结果差值仅1～2 mm。AVISDRIS等[25]利用各向异质性3D U-Net分类器，以CNN选择参考层面，自动计算胎儿脑双顶径，可有效避免人工测量的误差。HONG等[26]证实，胎儿皮质体积与孕周明显相关。将胎儿颅脑分为小脑、基底节区和丘脑、脑室脑脊液、灰质、白质、脑干及脑实质外脑脊液共7个部分，利用随机偏移和方向的线性梯度训练数据，以不同颜色标记相应结构并进行勾画及分割，可逐步获取各部分体积及相应测值，进而定量评估胎儿脑发育模式[27-28]。

LI等[23]利用CNN自动分割方法，基于212胎数据建立孕中晚期胎儿正常发育4D图谱，即随孕周增加，于轴位、冠状位、矢状位3个方向显示MRI变化，并通过3D高分辨率重建图像准确显示不同孕周之间局部结构的变化。CNN已成功用于成人弥散加权成像(diffusion weighted imaging， DWI)。根据类似原理，KARIMI等[29]利用高质量胎儿DWI及对应色彩空间异质性图作为训练数据创建CNN，再以加权线性最小二乘法进行评估，成功生成了胎儿白质纤维束空间分布图。也有学者[30]基于CNN利用功能MRI研究大脑网络结构最初可能的组成形式和方式，以期为神经系统起源提供新的依据。无监督深度学习动态MRI算法也已引入胎儿脑分割领域，该算法既不需要提前训练也无需额外数据，可通过平面低维图像映射空间网络，经过三维转换产生一系列动态MRI[31]。胎儿大脑生长发育是一个动态过程，利用此方法研究相应动态图谱模板，可作为评估胎儿脑发育的重要补充。

3 小结与展望

尽管CNN算法显示胎儿脑发育MRI取得了一定成果，但仍有局限性亟待改善和优化：①受地域差异影响，胎儿脑生长发育情况有所不同，对此需予以充分考虑，以保证分割胎儿脑结构的准确性，尤其对于孕20～23周胎儿，需在现有分割模板基础上熟练掌握胎儿脑发生发展情况；②对于选择CNN算法与各算法所需训练样本量尚无金标准；③CNN的准确性建立在精准人工勾画及反复深度学习之上，其稳定性有待提升；④相比其他非医学领域任务，深度学习的临床应用需要极好的鲁棒性，才能最终用于患者。

综上，基于胎儿脑MR图像的CNN技术用于研究胎儿脑发育规律具有可行性并已取得初步成绩，此类算法能够以图像信息可视化理解胎儿脑结构及生长发育规律。但CNN用于胎儿领域目前尚处于起步阶段，未来以多样算法作为基础，纳入更多功能MR序列进行研究，将为观察胎儿大脑发育模式、探索人类大脑起源提供重要帮助。